왜 오프라인 매체까지 같은 모델에 넣어야 하는가

디지털 마케팅 측정 도구들은 대부분 픽셀·SDK 같은 온라인 추적 기술에 의존합니다. 그런데 TV 광고(TVCF)나 옥외광고(OOH)는 애초에 그런 추적 기술을 심을 수 없는 매체입니다. 이 때문에 디지털 어트리뷰션만 보는 조직은 오프라인 매체의 기여도를 아예 측정하지 못하거나, "측정이 안 되니까 성과가 없다"는 식으로 오판하기 쉽습니다. MMM은 픽셀이 아니라 매체 집행량과 매출의 집계 통계 관계를 보기 때문에, 애초에 TV·OOH도 검색·소셜·디스플레이와 동일한 방식으로 모델에 넣을 수 있습니다. 이것이 MMM이 "전방위" 측정 도구로 불리는 핵심 이유입니다.

두 데이터는 성격 자체가 다르다

문제는 디지털과 오프라인의 데이터 형태가 근본적으로 다르다는 데 있습니다. 디지털 매체는 광고 플랫폼이 노출·클릭·비용을 일 단위로 정확히 집계해줍니다. 반면 TV·OOH는 매체 대행사가 시청률 조사·유동인구 데이터를 근거로 산정한 GRP(총시청률)나 도달·빈도 추정치를 씁니다. 즉 디지털은 실측 로그, 오프라인은 통계적 추정치라는 점에서 데이터의 성격 자체가 다릅니다. 이 차이를 무시하고 두 데이터를 그냥 나란히 넣으면, 모델이 서로 다른 정밀도의 데이터를 같은 신뢰도로 취급하게 되는 문제가 생깁니다.

데이터 규격을 맞추는 실제 절차

통합 분석의 첫 단계는 두 데이터를 매출과 동일한 시점·해상도로 맞추는 것입니다. 대부분의 MMM 프로젝트는 주 단위 또는 월 단위로 통일하는데, 오프라인 매체 인보이스가 캠페인 단위(예: "3주간 얼마")로만 나온다면 이를 주 단위로 균등 분배하거나 대행사가 제공하는 집행 스케줄에 맞춰 배분하는 작업이 필요합니다. 디지털 매체 역시 플랫폼 리포트 시점(노출 발생일)과 인보이스 시점(청구일)이 다를 수 있어, 어느 기준으로 통일할지 프로젝트 초반에 정해둬야 합니다. 이 정규화 작업은 2강에서 다룬 데이터 요건의 연장선이며, 오프라인 매체가 추가되면서 정규화 난도가 한층 올라가는 지점이기도 합니다.

오프라인 매체의 애드스톡·포화 곡선은 어떻게 다르게 나타나나

업계에서는 TV·OOH 같은 브랜딩성 오프라인 매체가 디지털보다 애드스톡(이월 효과)이 길게 나타나고, 포화 곡선도 훨씬 높은 지출 수준까지 가파른 구간이 이어지는 경향이 있다고 설명합니다. 소비자가 광고를 본 뒤 곧바로 구매하기보다 브랜드 인지·고려 단계를 거쳐 한참 뒤에 구매로 이어지는 경우가 많고, 도달 가능한 잠재고객 풀 자체도 넓기 때문이라는 논리입니다. 다만 이는 4강·5강에서 다룬 원칙과 마찬가지로 업계에서 흔히 관찰되는 경향성일 뿐, 정확한 곡선 형태는 자사 데이터를 모델에 넣어봐야 확인되는 값입니다. 특정 업종에서는 이 경향이 뒤집혀 나타나는 사례도 보고됩니다.

채널 정의를 통합할 때 자주 생기는 혼선

디지털·오프라인을 하나의 모델에 넣을 때 흔히 겪는 또 다른 문제는 "채널을 어느 단위까지 쪼갤 것인가"입니다. 디지털은 검색·디스플레이·소셜·유튜브처럼 플랫폼 단위로 세분화된 리포트가 자동으로 나오지만, 오프라인은 지상파·케이블·종편처럼 매체 단위를 따로 정의해야 하고, OOH도 옥외 전광판·지하철·버스처럼 세부 유형이 제각각입니다. 채널을 너무 잘게 쪼개면 오프라인 매체 각각의 데이터가 희박해져 모델이 안정적으로 학습하지 못하고, 반대로 "오프라인"이라는 이름으로 뭉뚱그리면 TV와 OOH처럼 반응 패턴이 전혀 다른 매체가 섞여 결과가 흐려집니다. 실무에서는 보통 매출·의사결정 단위에 맞춰 TV, OOH, 라디오·인쇄 등으로 대분류를 나누고, 그 안에서 필요하면 세부 매체를 별도 변수로 추가하는 식으로 절충합니다.

매체 대행사와의 데이터 공유 절차도 미리 정해야 한다

오프라인 매체는 디지털처럼 API로 데이터를 바로 끌어올 수 없고, 매체 대행사가 정리해 넘겨주는 리포트에 의존하는 경우가 대부분입니다. 이 리포트가 매번 다른 형식·시점으로 오면 MMM 파이프라인에 넣기 전마다 수작업으로 재정리해야 해서 운영 부담이 커집니다. 초기 도입 단계에서 대행사와 "어떤 주기로, 어떤 단위(주간 지출액, GRP)로, 어떤 형식(스프레드시트 vs API)으로 데이터를 넘겨줄지"를 미리 합의해두면, 이후 모델을 정기적으로 재학습할 때마다 반복되는 수작업을 크게 줄일 수 있습니다.